Prompt chains voor controllers — meerstaps-analyses opbreken

Een prompt chain is het opbreken van een complexe finance-analyse in meerdere achter-elkaar-uitgevoerde prompts, waarbij elke stap een specifiek model krijgt toegewezen en de output context wordt voor de volgende. Voor controllers en finance-managers levert dit drie dingen op: per stap het sterkste model, een traceerbaar denkspoor voor audit, en numerieke verificatie-momenten waar het écht telt.

Eén prompt, één model, één antwoord — dat is de beginnersmodus. Finance-werk van enige omvang (een variance-analyse, een board-pack-sectie, een due-diligence-samenvatting, een aansluiting tussen balans en aangifte) bestaat uit meerdere denkstappen. Wie die stappen in één prompt propt, krijgt middelmatige output over de hele linie. Wie de taak opbreekt en per stap het juiste model inzet, krijgt per stap het beste resultaat — en in finance ook een controleerbaar spoor van hoe het antwoord tot stand kwam.

Wat is een prompt chain

Een prompt chain is een reeks prompts waarbij de output van de ene stap input is voor de volgende. Simpele vorm, grote impact voor finance:

1. Stap 1 — Data-ophaal en samenvatting. "Analyseer de variance tussen actuals en budget voor april, per categorie boven €5.000 absoluut."
2. Stap 2 — Verklaring per variance. "Gebruik de variances uit stap 1 en stel per categorie een verklaring op basis van eerder vastgelegde toelichtingen en bekende patronen."
3. Stap 3 — Communicatie. "Schrijf op basis van stap 2 een board-pack-sectie van maximaal één pagina met executive summary, hoofdpunten en kritieke aandachtspunten."

Elke stap is een zelfstandige, afgebakende taak. Je kunt de kwaliteit per stap controleren. Je kunt één stap opnieuw draaien zonder alles over te doen. En: je kunt per stap een ander model kiezen.

Waarom chains in plaats van één mega-prompt

Drie redenen die voor finance extra zwaar wegen:

• Volle aandacht per subtaak. Een model dat één ding tegelijk doet (eerst data analyseren, dan verklaren, dan schrijven), doet elk beter. Minder fouten, betere nauwkeurigheid.
• Modulair ontwerp. Isoleert falen. Als stap 3 zwak is, weet je exact waar je moet ingrijpen — niet "ergens in de prompt".
• Traceability. Je kunt elke stap loggen, beoordelen, archiveren. Voor finance kritisch: als een externe accountant later vraagt "hoe is dit cijfer tot stand gekomen", heb je per stap de input, de prompt en de output.

Vuistregel: als je meer dan drie cognitieve verrichtingen in één prompt vraagt (analyseren én verklaren én samenvatten én herschrijven in board-toon), is dat een chain in vermomming.

Multi-model orchestration voor finance

Elk model heeft sterktes. Voor finance-werk:

• Claude schrijft genuanceerd Nederlands en doet sterke close reading. Goed voor toelichtingen en contractanalyses.
• GPT-5 Thinking is sterk in meerstaps-reasoning. Goed voor due diligence en complexe variance-analyses.
• Gemini heeft het grootste context-window. Goed voor lange dossiers (transfer-pricing-documentatie, hele contractenportefeuilles).
• Perplexity is gebouwd voor live web-onderzoek met bronvermelding. Goed voor actuele BTW-tarieven, sector-benchmarks.
• Copilot zit in je Office-omgeving en kent je SharePoint en Outlook. Goed voor de "laatste mijl" — output in jouw Word-template, mail naar de juiste personen.

Een typisch patroon voor een klantfocus-board-pack:

• Perplexity haalt actuele sector-benchmarks op met bronvermelding.
• Claude Opus leest de benchmarks plus jullie maandcijfers (full context) en schrijft de inhoudelijke analyse.
• GPT-5 zet de analyse om in een executive summary en genereert een grafiek.
• Copilot plaatst het eindresultaat in jullie board-pack-template met huisstijl en deelt het via SharePoint.

Geen van deze modellen kan alle vier de stappen even goed. Per stap het juiste voertuig.

Context-overdracht — het zwakke punt van elke chain

Het grootste risico bij multi-model chains is context-overdracht. Elk model start zonder geheugen van wat het vorige heeft gedaan. Je kopieert letterlijk de output van stap 1 als input voor stap 2. Als die output vaag is, onvolledig, of impliciete aannames bevat, gaat de chain rammelen. Elke handoff is een potentieel lek — vergelijk het met het fluisterspel: elke doorgave verliest betekenis.

Praktische richtlijnen voor finance:

• Maak context-packets expliciet. Vraag het eerste model om zijn output te structureren als een context-packet: kernbevindingen, aannames (periode, valuta, filters), open vragen, bronnen (welke grootboekrekening, welke periode). Niet alleen een lopende tekst.
• Voeg de opdracht voor de volgende stap letterlijk toe. "Hierna volgt stap 2, waarin een ander model een verklaring per variance moet maken. Zorg dat je output alle informatie bevat die daarvoor nodig is — inclusief de exacte bedragen en de grootboekrekeningen."
• Check de handoff. Lees de output van stap N met de vraag: "Zou een collega zonder de rest van de chain hier direct mee verder kunnen?" Zo niet — herschrijven.
• Numerieke verificatie. Bij elke handoff waar cijfers doorgegeven worden: een check dat de cijfers tussen stappen consistent blijven. Een variance van €127.000 in stap 1 mag niet plotseling €172.000 zijn in stap 2 — dat is een hallucinatie die de hele chain corrumpeert.

Parallel versus sequentieel

Niet elke chain is lineair. Twee patronen:

• Sequentieel. Stap 2 kan pas beginnen als stap 1 klaar is. Onderzoek → analyse → communicatie.
• Parallel. Twee of meer modellen werken tegelijk aan dezelfde vraag, output wordt samengevoegd. Bijvoorbeeld: drie modellen schrijven elk een variance-toelichting, een vierde (of jij) selecteert de sterkste elementen en maakt een synthese. Vorm van self-consistency — meerdere routes naar hetzelfde antwoord maken de kans op onzin kleiner.

In de praktijk zie je mengvormen: een sequentiële chain met op één kritieke stap een parallelle branch (drie variance-concepten, één synthese).

Wanneer een chain wél, wanneer niet

Een chain is krachtig maar kost tijd en tokens. Gebruik hem in finance als:

• De analyse duidelijke fasen heeft (data-ophaal, analyse, communicatie).
• Nauwkeurigheid telt: elke fase heeft eigen eisen en eigen kwaliteitscriteria.
• Je de output wilt kunnen hergebruiken of opnieuw draaien per stap.
• De totale opdracht te groot is voor één context-window.
• De analyse audit-bewijs moet leveren — per stap een controleerbare input en output.

Niet als:

• De taak klein is en in één prompt past.
• Je een snel eerste concept wilt, niet een eindproduct.
• De extra kwaliteit de extra latency en kosten niet rechtvaardigt.

Waar dit in de praktijk uitkomt

• Een CFO laat Perplexity Deep Research een sector-benchmark ophalen over EBITDA-marges, Claude maakt op basis daarvan een concurrentie-analyse met de eigen cijfers ernaast, GPT-5 schrijft de board-samenvatting. Eén rapport, drie modellen, elk in hun sterkste rol — en een complete audit-trail van waar elk cijfer en elke claim vandaan komt.
• Een controller bouwt een chain voor de maand-variance-analyse: GPT-5 Thinking voor de data-decompositie, Claude voor de toelichting, Copilot voor de board-pack-output. Elke stap wordt gelogd; bij een audit-vraag over een specifieke variance kan binnen seconden de bron worden achterhaald.
• Een finance-manager plakt drie maandrapportages als flat context in een Claude Project en vraagt om een trend-analyse — simpelste vorm, werkt prima op deze schaal en geen orchestratie nodig.
• Een AP-team bouwt een chain waarin stap 1 een binnenkomende factuur extraheert (vision-model), stap 2 vergelijkbare historische boekingen ophaalt (Q&A-laag op Exact), en stap 3 een concept-journaalpost opstelt in jullie boekingsstandaard. Drie stappen, drie tool-aanroepen, één concept dat in de approval-queue landt.